基于粗糙集和支持向量机的表面肌电特征约简和分类研究

论文摘要

表面肌电（surface electromyography, SEMG）信号是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态。SEMG信号在临床医学、运动医学、人机工效学、康复医学、神经生理学、电生理学等领域被广泛应用。SEMG在这些领域不断涌现的应用需求要求人们对SEMG信号的特征属性有更深入的了解,能够在更深层次更细致的提取和挖掘SEMG信号的本质特征。因此,新的信号处理手段在SEMG的识别和分类研究中扮演着一个至关重要的角色。本文从模式识别的两个重要方面――属性选择及其约简以及分类器训练算法设计入手,对SEMG信号的特征属性提取和表面肌电动作信号（Action SEMG）的模式识别方法进行了理论上的探索,所做的主要工作及创新之处如下:首先,针对目前广泛应用的多通道采集技术,本文指出,由于表面电极的采集范围较大,这导致了在不同通道的信号间存在着一定程度耦合关系。在深入了解肌电信号产生的生理机理基础上,本文将独立分量分析理论引入到肌电信号分析领域,用于消除多通道肌电信号之间存在的时空耦合现象。通过信号复杂度分析,作者发现经过ICA解耦后的双通道肌电信号的复杂度有所下降,证明了ICA分析在多通道肌电信号的解耦中具有一定作用。关于特征属性提取,本文对表面极电信号的非线性特征进行了研究,介绍了非线性熵、分形维数以及相空间重构,混沌动力学分析等理论在生物医学信号中的应用情况。作者比较分析了前人常用的几种经典的完全基于时域或者频域的算法,指出这些算法的局限性所在。针对传统算法的不足,本文提出了两种基于时频域的属性提取方法,分别是基于小波包分解的子带能量属性方法和基于经验模式分解（EMD）后提取AR模型系数的方法。本文给出了特征属性集可分离度的量化评测准则来衡量属性提取算法的有效性。另外,作者也考虑了算法的效率问题,分别考察了它们所耗用的时间。实验证明,基于WPT的小波子段正则化能量指标是较为有效的,且对象依赖性很小。作者指出,基于EMD-AR的属性提取算法的得到的属性集的聚类可分离度也较为良好,但计算时间明显较长,且受AR模型阶数和信号分段数等众多参数影响。另外,在本文中还研究了肌电信号的多分形维数特征,发现肌电信号的多分形维数特征对于动作不具备有效的区分性。从减少冗余信息和实时在线识别的角度考虑,需要对提取的属性进行约简以加快计算速度,通过删除冗余信息增强系统鲁棒性。在本文中,作者将粗糙集理论用于属性约简,并与基于PCA的属性约简方法进行比较研究。这两种方法都是分类器无关的滤波器（Filter）式属性约简方法。为了衡量属性约简的效果,本文一方面分析了属性集约简后的分离度参数;另一方面,考虑到神经网络的非线性全局逼近性能,以神经网络为分类器,分别考察了这两种方法得到的约简集的分类性能。对比实验表明,PCA是一种线性变换,不能精细的提取非线性信号的本质特征。考虑到粗糙集理论主要是用于离散决策系统,本文对粗糙集的离散算法也做了研究,提出了基于K-means的连续属性离散化方法。在分类器设计方面,本文主要研究了基于模糊逻辑的支持向量机。在采用训练集对分类器进行训练之前,作者先采用了基于粒子群优化（PSO）的聚类方法对训练集数据进行聚类分析。对于训练集上聚类正确的样本,作者选取各类的边缘样本和类中心样本作为支持向量,并赋予了不同的权值,用于训练支持向量机,以提高分类精度,增强泛化性能。根据这种方法,由于仅仅是选择了训练集上的边缘样本和中心样本作为支持向量训练支持向量集,这种方法能够大幅加快分类器的训练过程。同时,对比试验指出,相对于经典神经网络,模糊神经网络等基于误差反传算法的分类器而言,模糊支持向量机不容易陷于局部极小,也像神经网络那样对过训练或者欠训练情况较为敏感,具有更好的泛化性能。目前,多通道多传感器实验配置已经得到广泛应用。另一方面,单分类器不能充分利用所有有效信息,且判断过于武断。为了进一步的考证Fuzzy LS-SVM的分类性能,本文把Fuzzy LS-SVM,ANN、ANFIS、CART等分类器的单独决策结果采用了基于模糊积分的多分类器融合算法进行决策融合,避免单个分类器的武断判断。实验表明,在测试集上分类正确的样本中,Fuzzy LS-SVM也分类正确的占98%以上,而其他的三类的正确率相差较远,体现了Fuzzy LS-SVM在多分类器信息融合决策过程中担负着分类导向作用,分类性能较其他分类器优良。研究结果表面,多分类器融合算法能有效的弥补某一分类器参数不稳定或者结构性损坏下出现的错判现象。在分类性能提高的同时,计算耗时上相比单分类器要有所增加。本文指出,在四个分类器中,模糊支持向量机的识别度最高,分类结果最为可信。以上研究都是基于等长肌电信号,在实验中避免了疲劳现象的影响。本文的创新主要表现在以下几个方面:I.将ICA和信号复杂度相结合用于信号的预处理过程的多通道解耦研究;II.将EMD和AR相结合的方法用于肌电信号属性提取研究,指出其具有较好的聚类分离度。III.将粗糙集理论引入肌电研究领域进行属性约简。IV.提出了基于PSO-ISODATA的支持向量预抽取准则。V.研究了信息融合策略在肌电信号中的应用。以上简单介绍了本文的主要研究内容。本文的主旨就是基于粗糙集理论寻找最优属性子集,用聚类分类度来衡量属性集的可分性;采用PSO-ISODATA策略实现支持向量预抽取,采用了模糊支持向量机策略将普通的二类支持向量机拓展到多类分类领域;采用了信息融合的多分类器决策算法以弥补单分类器的缺陷。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及其意义
• 1.2 国内外研究进展情况
• 1.3 课题研究内容
• 第二章 肌电信号的产生、采集与预处理
• 2.1 肌电信号产生的生理基础
• 2.2 信号采集系统
• 2.3 信号预处理和复杂度分析
• 2.3.1 ICA 基本原理
• 2.3.2 信号的复杂度
• 第三章 EMG 非线性特性分析及特征属性提取方法研究
• 3.1 常见肌电信号分析方法
• 3.1.1 经典时域方法
• 3.1.2 频域分析
• 3.1.3 时频分析
• 3.1.4 非线性熵分析
• 3.1.5 混沌与分形
• 3.2 基于WPT 和EMD-AR 的属性提取方法研究
• 3.2.1 基于WPT 的表面肌电属性提取方法
• 3.2.2 基于EMD-AR 的属性提取方法研究
• 3.3 特征属性集可分性研究
• 3.4 本章小结
• 第四章 属性约简算法
• 4.1 粗糙集理论
• 4.1.1 连续属性离散化策略
• 4.1.2 粗糙集约简算法
• 4.2 基于RST 的属性约简
• 4.3 本章小结
• 第五章 基于LS-SVM 的多类动作分类研究
• 5.1 基于支持向量机（SUPPORT VECTOR MACHINE, SVM）的分类策略
• 5.1.1 二类SVM 原理
• 5.1.2 常见的SVM 多类拓展方法
• 5.1.3 Fuzzy LS-SVM 原理
• 5.2 支持向量预抽取方案
• 5.2.1 方案一：基于样本最小距离的抽取方案
• 5.2.2 方案二：基于ISODATA 和PSO 相结合的支持向量预抽取方案
• 5.3 FUZZY LS-SVM 分类结果及分析
• 5.4 基于信息融合的多类分类器分类试验
• 第六章 总结
• 6.1 本课题研究总结
• 6.2 课题研究展望
• 参考文献
• 致谢
• 发表的论文